Российские большие языковые модели справляются лучше иностранных нейросетей в задачах, где требуется знание русского языка, истории и локального культурного контекста. При этом сохранить это преимущество можно только при наличии достаточного для обучения объема как качественных русскоязычных данных, так и данных на других языках. К такому выводу пришли авторы исследования российского рынка LLM и данных для их обучения, подготовленного Институтом ИИ ИТМО при участии экспертов ИТМО, МГУ, РАНХиГС, ВШЭ, AIRI и российских технологических компаний.

В начале 2026 года первые шесть мест в рейтинге бенчмарка SLAVA, который проверяет модели на 14 тыс. вопросов по истории, обществознанию, социологии и географии России, заняли отечественные LLM. При этом еще в ноябре 2024 года в топ-3 рейтинга находились американские и китайские модели. Исследователи связывают изменения не только с инвестициями разработчиков в развитие отечественных ИИ-моделей, но и с большей долей российских данных в их обучающих массивах.
При этом сами русскоязычные данные остаются сравнительно дефицитным ресурсом. Размер доступного русскоязычного интернета примерно в 10-20 раз меньше общемирового. По словам исследователей, этого достаточно для разработки части многоязычного корпуса, но недостаточно для создания конкурентоспособной универсальной модели исключительно на русском языке. Оптимальную долю русскоязычных данных в обучающем массиве эксперты оценивают в диапазоне от 5 до 30%.
По мнению экспертов, российские ИИ-модели должны быть многоязычными. Русскоязычные данные необходимы, но изоляция от международных корпусов приведет к тому, что модель будет сильнее отставать от зарубежных аналогов и хуже справляться с задачами, выходящими за пределы локального языкового контекста. Многоязычное обучение расширяет картину мира модели: разные языки содержат разные массивы полезной информации, а английский корпус остается ключевым носителем научного знания. Отказ от этих источников означал бы искусственное ограничение модели в доступе к наиболее насыщенным и актуальным данным.
«Русскоязычные данные определяют не только то, насколько естественно модель говорит по-русски. От них зависит знание российских реалий, истории, права и культурного контекста. При этом универсальной модели необходим и мировой массив знаний. Поэтому ключевой вопрос для российских разработчиков — не выбирать между российскими и иностранными данными, а иметь возможность работать с максимально разнообразным и качественным корпусом», — отмечают авторы исследования.
Эксперты подчеркивают, что ограничение доступного корпуса непосредственно сказывается на возможностях модели. Для предобучения современные LLM используют массивы объемом в триллионы токенов — веб-страницы, книги, научные публикации, открытый программный код и энциклопедические материалы. Российские команды при этом сильнее иностранных разработчиков зависят от открытых источников, поскольку располагают меньшими ресурсами для самостоятельного сбора, покупки и оцифровки данных.
Дополнительным конкурентным преимуществом российских LLM-моделей могут стать массивы данных, которые пока не представлены в открытом интернете: материалы библиотек и архивов, образовательные, научные, культурные и профессиональные коллекции. Их оцифровка и предоставление разработчикам могли бы улучшить качество моделей в медицине, праве, строительстве, геологии и других областях, где особенно важны российские знания и стандарты.
В исследовании отмечается, что будущая конкурентоспособность российских моделей будет коллективным результатом совместной работы бизнеса, государства, open-source-сообщества, культурных и образовательных организаций. Перспективной поэтому становится модель распределенного развития: государство создает условия, бизнес обеспечивает промышленную реализацию, наука задает методологическую глубину, образование воспроизводит кадровую базу, а open-source-сообщества ускоряют обмен разработками и решениями.
«Сейчас каждая крупная компания делает модели для себя и закрывает разработки. Но есть задачи, которые нужно решить всей отрасли. Вместо того чтобы каждой компании создавать агента, читающего одну и ту же профессиональную литературу, можно обмениваться такими решениями или предоставлять их на коммерческой основе. Нужно стимулировать выход накопленных знаний в открытое использование в виде интеллектуальных агентов. На их основе компании смогут собирать системы под собственные задачи» — Александр Бухановский, д.т.н., директор Института ИИ ИТМО.
Российский рынок LLM сможет развиваться, если команды разработчиков будут использовать мировую технологическую базу, усиливать её отечественными данными, дорабатывать под российские задачи и быстро доводить продукты до практического внедрения, говорится в исследовании. Если период становления рынка будет использован для консолидации усилий всех игроков, у отечественных LLM появится шанс закрепиться в роли полноценного технологического инфраструктурного слоя для России. Регулирование авторского права на произведения, на которых обучается ИИ, также влияет на конкурентоспособность отрасли. Как указывают аналитики, правила должны защищать интересы правообладателей, при этом не сокращая доступный для обучения массив информации.
«Сегодня у российских моделей есть реальное преимущество перед глобальными аналогами — они лучше понимают Россию: ее язык, историю, право и культурный контекст. Но это преимущество не возникает само по себе. Для развития конкурентоспособных моделей необходим широкий массив данных, включая международные источники, а для понимания российской специфики — качественные русскоязычные данные. Если их становится меньше, модели будут все сильнее зависеть от иностранного информационного массива и хуже учитывать российский контекст. Поэтому сохранение доступа к разнообразным данным — это не только вопрос качества ИИ, но и условие развития конкурентоспособных российских моделей», — отмечают авторы исследования.
Исследование проведено Институтом ИИ ИТМО. В нем приняли участие эксперты AIRI, МГУ, ИТМО, РАНХиГС, НИУ ВШЭ, Яндекса, Сбера, Т-Банка, AI VK, независимых команд и других участников российского рынка LLM.

Комментарии 0